| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 医学图像处理的背景与应用 | 第11-14页 |
| 1.1.1 医学图像处理的发展 | 第12-13页 |
| 1.1.2 医学图像分割的发展概况 | 第13-14页 |
| 1.1.3 医学图像分割的应用及难点 | 第14页 |
| 1.2 医学图像分割的方法综述 | 第14-20页 |
| 1.2.1 传统分割技术 | 第15-18页 |
| 1.2.2 基于模式识别的分割技术 | 第18-19页 |
| 1.2.3 基于神经网络和深度学习的分割技术 | 第19-20页 |
| 1.3 本文研究的主要内容 | 第20-21页 |
| 第二章 淋巴结分割方法发展现状 | 第21-32页 |
| 2.1 淋巴结的结构特点与生理功能 | 第21-22页 |
| 2.2 PET/CT的检测理论与淋巴结分割算法的发展 | 第22-27页 |
| 2.2.1 PET/CT成像原理及初步诊断流程 | 第22-24页 |
| 2.2.2 淋巴结分割算法研究现状 | 第24-27页 |
| 2.3 用于数字图像处理的卷积神经网络 | 第27-32页 |
| 2.3.1 卷积神经网络的结构及特点 | 第27-29页 |
| 2.3.2 反向传播算法 | 第29-30页 |
| 2.3.3 卷积神经网络的发展和应用 | 第30-32页 |
| 第三章 基于双路径卷积网络的受累淋巴结分割 | 第32-47页 |
| 3.1 PET/CT数据集 | 第33-34页 |
| 3.2 全卷积神经网络和反卷积结构 | 第34-38页 |
| 3.2.1 全卷积神经网络 | 第34-37页 |
| 3.2.2 用于上采样的卷积结构——反卷积 | 第37-38页 |
| 3.3 用于PET/CT分割任务的双路径U-net——W-net | 第38-43页 |
| 3.3.1 双路径结构 | 第38-40页 |
| 3.3.2 群卷积 | 第40-41页 |
| 3.3.3 训练W-net | 第41-43页 |
| 3.4 实验结果 | 第43-45页 |
| 3.4.1 分割效果 | 第43-44页 |
| 3.4.2 分割实例 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 前端软组织处理方法 | 第47-57页 |
| 4.1 用于图像分割的聚类算法 | 第48-51页 |
| 4.1.1 基于灰度值的聚类分割 | 第48-50页 |
| 4.1.2 FCM对CT图像的分割结果 | 第50-51页 |
| 4.2 基于三维空间和多维特征的FCM——3D-FCM | 第51-53页 |
| 4.3 实验结果 | 第53-55页 |
| 4.3.1 软组织分割效果 | 第54-55页 |
| 4.3.2 与W-net结合之后对分割的帮助 | 第55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 作者筒历及在学期间所取得的科研成果 | 第63页 |
